Plan du cours

Théorie du signal
Introduction aux signaux aléatoires - Notion de bruit
1. Qu’est-ce qu’un signal aléatoire ?
1.1 Signaux déterministes, signaux aléatoires
1.2 Notion de trajectoire
Laurent Oudre
[Link]@[Link] 2. Rappels de probabilités 3. Outils pour l’étude des signaux aléatoires
2.1 Variables aléatoires 3.1 Moyenne statistique
2.2 Espérance 3.2 Fonction d’autocorrélation
2.3 Variance et convariance 3.3 Stationnarité au sens large
Université Paris 13, Institut Galilée 3.4 Densité spectrale de puissance
Ecole d’ingénieurs Sup Galilée
3.5 Filtrage des signaux aléatoires
Parcours Télécommunications et Réseaux - 1ère année
2019-2020

Laurent Oudre Théorie du signal 2019-2020 1 / 38 Laurent Oudre Théorie du signal 2019-2020 2 / 38

Qu’est-ce qu’un signal aléatoire ? Qu’est-ce qu’un signal aléatoire ? Signaux déterministes, signaux aléatoires

Sommaire Signaux déterministes, signaux aléatoires

◮ Jusqu’à présent, nous disposions pour tous les signaux que nous avons
étudiés d’une équation qui nous donnait l’expression de x(t) en fonction de t
Qu’est-ce qu’un signal aléatoire ? on dit que ces signaux sont déterministes
◮ Dans la vraie vie en revanche, on ne dispose pas d’une équation pour tous les
1.1 Signaux déterministes, signaux aléatoires signaux !
1.2 Notion de trajectoire ◮ Certains phénomènes (les perturbations par exemple) sont a priori inconnus
et aléatoires. On n’est pas capable de dire précisément les valeurs que ces
signaux vont prendre, mais on sait par exemple que leur amplitude sera de tel
ordre de grandeur, ou que en général ils auront des fréquences dans une
certaine bande, etc... On dit que ces signaux sont aléatoires

Laurent Oudre Théorie du signal 2019-2020 3 / 38 Laurent Oudre Théorie du signal 2019-2020 4 / 38
 Qu’est-ce qu’un signal aléatoire ? Signaux déterministes, signaux aléatoires Qu’est-ce qu’un signal aléatoire ? Notion de trajectoire

Modélisation des signaux aléatoires Notion de trajectoire : exemple

X (t) = A cos(2πf0 t) avec A tiré aléatoirement de façon uniforme entre 0 et 1
1

◮ Les signaux aléatoires ne sont pas traitables uniquement grâce à des outils de 0.8

traitement du signal. En effet, la valeur du signal n’est pas connue... alors 0.6
comment faire ? 0.4
◮ Il va falloir utiliser la théorie des probabilités et des variables aléatoires pour
0.2
travailler sur ces signaux

x(t)
0
◮ On va considérer chaque valeur du signal X (t) comme étant une variable
-0.2
aléatoire (réelle ou complexe), qui dépend donc d’événements aléatoires
-0.4
◮ On appelle réalisation ou trajectoire d’un signal aléatoire X (t), l’ensemble
des valeurs prises par les v.a. X (t) quand t varie. -0.6

-0.8

-1
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
t

10 réalisations (ou trajectoires) de ce signal aléatoire

Laurent Oudre Théorie du signal 2019-2020 5 / 38 Laurent Oudre Théorie du signal 2019-2020 6 / 38

Qu’est-ce qu’un signal aléatoire ? Notion de trajectoire Qu’est-ce qu’un signal aléatoire ? Notion de trajectoire

Notion de trajectoire : exemple Notion de trajectoire : exemple

9
X
X (t) = ak δ(t − kTe ) avec ak tiré aléatoirement de façon uniforme dans X (t) où chaque valeur X (t) est tirée aléatoirement selon une loi gaussienne de
k=0 moyenne 0 et de variance 1
{−1, +1}
5 5

0 0
1 1

-5 -5
0 0 0 20 40 60 80 100 0 20 40 60 80 100
5 5
-1 -1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
0 0
1 1

-5 -5
0 0 0 20 40 60 80 100 0 20 40 60 80 100
5 5
-1 -1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
0 0
1 1

-5 -5
0 0 0 20 40 60 80 100 0 20 40 60 80 100
5 5
-1 -1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
0 0
1 1

-5 -5
0 0 0 20 40 60 80 100 0 20 40 60 80 100
5 5
-1 -1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
0 0
1 1

-5 -5
0 0 0 20 40 60 80 100 0 20 40 60 80 100

-1 -1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9

10 réalisations (ou trajectoires) de ce signal aléatoire

10 réalisations (ou trajectoires) de ce signal aléatoire

Laurent Oudre Théorie du signal 2019-2020 7 / 38 Laurent Oudre Théorie du signal 2019-2020 8 / 38
 Rappels de probabilités Rappels de probabilités

Sommaire Quels outils utiliser ?

Rappels de probabilités ◮ Chaque trajectoire d’un signal aléatoire sera différente, alors comment
caractériser un tel signal ?
2.1 Variables aléatoires ◮ On va donc raisonner en terme de moyenne, mais pas de moyenne
2.2 Espérance temporelle : il faudra utiliser la notion de moyenne statistique.
2.3 Variance et convariance ◮ On utilise donc l’espérance statistique E pour travailler sur ces signaux.

Laurent Oudre Théorie du signal 2019-2020 9 / 38 Laurent Oudre Théorie du signal 2019-2020 10 / 38

Rappels de probabilités Variables aléatoires Rappels de probabilités Variables aléatoires

Variable aléatoire Quelques lois de probabilité

0.4

µ = 0, σ = 1
0.35
µ = 2, σ = 1
µ = 0, σ = 2

◮ Une variable aléatoire réelle X est un réel qui dépend d’un événement 0.3

aléatoire 0.25

p (x)
Exemple : tirage simultané de deux dés, et X = somme des deux valeurs ◮ Loi normale (ou Gaussienne) de 0.2

X
◮ Une variable aléatoire est associée à une densité de probabilité pX (x) telle moyenne µ et de variance σ 2 0.15

0.1

que, pour a < b 1 (x−µ)2 0.05

Z b pX (x) = √ e − 2σ2
P (a ≤ X ≤ b) = pX (x)dx σ 2π 0
-5 -4 -3 -2 -1 0
x
1 2 3 4 5

a
◮ Loi uniforme sur l’intervalle [a, b] 1
a = -1, b = 3
a = 0, b = 1
a = -2, b = 1
◮ On a en particulier avec a < b 0.8

Z +∞ 1
pX (x)dx = P (−∞ ≤ X ≤ +∞) = 1 pX (x) = 1[a,b](x) 0.6

p (x)
X
−∞ b−a
0.4

0.2

0
-5 -4 -3 -2 -1 0 1 2 3 4 5
x

Laurent Oudre Théorie du signal 2019-2020 11 / 38 Laurent Oudre Théorie du signal 2019-2020 12 / 38
 Rappels de probabilités Espérance Rappels de probabilités Espérance

Notion d’espérance Propriétés de l’espérance

Soit X une variable aléatoire réelle, admettant une densité de probabilité pX (x).
On définit l’espérance statistique de X et on note E[X ] la quantité ◮ L’espérance est linéaire : si X et Y sont deux v.a. et a et b deux réels, on a
Z
E[X ] = x pX (x)dx E [aX + bY ] = aE [X ] + bE [Y ]
R
◮ Si ψ est une fonction suffisamment régulière, ψ(X ) est également une
variable aléatoire et on peut définir son espérance comme
◮ Il s’agit schématiquement de la valeur moyenne de X sur une infinité de
réalisations Z
◮ L’espérance est la moyenne des valeurs de la variable aléatoire pondérées par E [ψ(X )] = ψ(x) pX (x)dx
R
leur probabilité d’apparition
◮ L’espérance est également appelée moyenne statistique

Laurent Oudre Théorie du signal 2019-2020 13 / 38 Laurent Oudre Théorie du signal 2019-2020 14 / 38

Rappels de probabilités Variance et convariance Rappels de probabilités Variance et convariance

Covariance Variance

◮ Etant données deux variables aléatoires X et Y on peut définir leur ◮ La variance d’une variable aléatoire X , notée var[X ] est définie par
covariance cov(X , Y ) comme
h i
2
var[X ] = E (X − E[X ])
cov(X , Y ) = E [(X − E[X ]) (Y − E[Y ])]

◮ Cette quantité exprime le lien qui existe entre les deux variables. ◮ On peut remarquer que
var[X ] = cov(X , X )
◮ Deux variables aléatoires sont dites non corrélées (ou décorrélées) si et
seulement si ◮ On a également
var[X ] = E X 2 − E[X ]2
 
cov(X , Y ) = 0
◮ En particulier, si X et Y sont indépendantes, alors X et Y sont décorrélées ◮ La variance décrit à quel point la variable aléatoire a tendance à prendre des
(réciproque fausse) valeurs éloignées de son espérance.

Laurent Oudre Théorie du signal 2019-2020 15 / 38 Laurent Oudre Théorie du signal 2019-2020 16 / 38
 Outils pour l’étude des signaux aléatoires Outils pour l’étude des signaux aléatoires Moyenne statistique

Sommaire Stationnarité d’ordre 1

◮ Dans un signal aléatoire X (t), chaque valeur X (t0 ) est une variable aléatoire,
que l’on peut étudier grâce aux outils issus des probabilités
Outils pour l’étude des signaux aléatoires ◮ Pour étudier la moyenne statistique d’un signal aléatoire il faut donc calculer
E [X (t)]
3.1 Moyenne statistique ◮ En revanche, dans le cas général la quantité E [X (t)] n’est pas constante et
3.2 Fonction d’autocorrélation varie en fonction du temps
3.3 Stationnarité au sens large
3.4 Densité spectrale de puissance E [X (t)] = µ(t)
3.5 Filtrage des signaux aléatoires
◮ Lorsque cette quantité est constante on dit que le signal est stationnaire
d’ordre 1
∀t, E [X (t)] = µ

Laurent Oudre Théorie du signal 2019-2020 17 / 38 Laurent Oudre Théorie du signal 2019-2020 18 / 38

Outils pour l’étude des signaux aléatoires Fonction d’autocorrélation Outils pour l’étude des signaux aléatoires Fonction d’autocorrélation

Fonction d’autocorrélation Fonction d’autocorrélation

◮ Dans le cas général la quantité RX (t1 , t2 ) dépend des deux variables t1 et t2

◮ On peut également étudier les liens statistiques qui existent entre les
variables aléatoires X (t1 ) et X (t2 ) ◮ Lorsque cette quantité ne dépend que de l’écart τ = t2 − t1 entre les instants
t1 et t2 , on dit que le signal est stationnaire d’ordre 2
◮ Etant donné un signal aléatoire X (t), on appelle fonction d’autocorrélation et
on note RX (t1 , t2 ) la quantité ∀t1 , t2 , RX (t1 , t2 ) = RX (t2 − t1 )

RX (t1 , t2 ) = E [X (t1 )X (t2 )] ◮ Dans ce cas, il est courant d’écrire

◮ Il s’agit ici d’une autocorrélation statistique, à ne pas confondre avec RX (τ ) = E [X (t)X (t + τ )]

l’autocorrélation temporelle déjà vue pour les signaux déterministes
et la quantité ne dépend plus que d’une seule variable temporelle τ

Laurent Oudre Théorie du signal 2019-2020 19 / 38 Laurent Oudre Théorie du signal 2019-2020 20 / 38
 Outils pour l’étude des signaux aléatoires Fonction d’autocorrélation Outils pour l’étude des signaux aléatoires Stationnarité au sens large

Cas de deux signaux Stationnarité au sens large

◮ On peut étendre cette définition à deux signaux aléatoires X (t) et Y (t) en ◮ Afin de simplifier les calculs et les considérations, la plupart des signaux
définissant une fonction d’intercorrélation aléatoires que l’on traitera seront stationnaires au sens large, c’est à dire
que
RXY (t1 , t2 ) = E [X (t1 )Y (t2 )] 1. Leur moyenne statistique ne dépend pas du temps (stationnarité d’ordre 1)

◮ On dira que de signaux sont décorrélés si et seulement si ∀t, E [X (t)] = µ

∀t1 , t2 , cov (X (t1 ), Y (t2 )) = 0 2. Leur fonction d’autocorrélation ne dépend que de l’écart τ = t2 − t2 entre
deux instants (stationnarité d’ordre 2)
◮ Si les signaux X (t) et Y (t) sont à moyenne statistique nulle et décorrélés,
alors leur fonction d’intercorrélation est toujours nulle. En effet, on a dans ce ∀t1 , t2 , RX (t1 , t2 ) = RX (t2 − t1 )
cas
RX (τ ) = E [X (t)X (t + τ )]
RXY (t1 , t2 ) = cov (X (t1 ), Y (t2 )) = 0

Laurent Oudre Théorie du signal 2019-2020 21 / 38 Laurent Oudre Théorie du signal 2019-2020 22 / 38

Outils pour l’étude des signaux aléatoires Densité spectrale de puissance Outils pour l’étude des signaux aléatoires Densité spectrale de puissance

Transformée de Fourier ? Densité spectrale de puissance

◮ Nous avons vu que pour les signaux déterministes, il était important de les
◮ Soit X (t) un signal aléatoire stationnaire au sens large, ayant une fonction
étudier dans le domaine fréquentiel pour mieux comprendre leurs propriétés
d’autocorrélation RX (τ ). On appelle densité spectrale de puissance (DSP) et
◮ Comment faire pour un signal aléatoire ? Par définition, à chaque nouveau on note SX (f ) la quantité
signal que l’on génère, on aura un signal différent et on aura une transformée
de Fourier différente ! SX (f ) = T F {RX (τ )}
◮ Pour un signal déterministe on a introduit la notion de densité spectrale
d’énergie (DSE) ou densité spectrale d’énergie (DSP) Γx (f ), définie par : ◮ SX (f ) donne la répartition de la puissance selon les fréquences f
◮ Pour un signal aléatoire on peut définir la notion de puissance moyenne PX
Γx (f ) = T F {γx (τ )}
définie comme
Z +∞
◮ On va définir par analogie un outil similaire, également appelé densité PX = SX (f )df
spectrale de puissance (DSP), permettant d’observer le contenu −∞
fréquentiel d’un signal aléatoire en moyenne

Laurent Oudre Théorie du signal 2019-2020 23 / 38 Laurent Oudre Théorie du signal 2019-2020 24 / 38
 Outils pour l’étude des signaux aléatoires Filtrage des signaux aléatoires Outils pour l’étude des signaux aléatoires Filtrage des signaux aléatoires

Filtrage des signaux aléatoires Formule de Wiener Lee

x(t) h(t) y (t)

Considérons :
◮ Un signal aléatoire X (t) de DSP SX (f ) que l’on filtre avec un filtre linéaire
X (f ) H(f ) Y (f ) de fonction de transfert H(f ).
◮ Alors la DSP SY (f ) de la sortie du filtre Y (t) vérifie la relation suivante :

◮ Dans le cas déterministe, on a Y (f ) = X (f )H(f ) SY (f ) = |H(f )|2 SX (f )

◮ Si l’on suppose maintenant que le signal X (t) est aléatoire, que devient
l’expression ?
◮ h(t) est la réponse impulsionnelle d’un filtre, c’est donc une quantité
déterministe dont on peut prendre la transformée de Fourier
◮ En revanche, Y (t) dépend de X (t), il est donc également aléatoire !

Laurent Oudre Théorie du signal 2019-2020 25 / 38 Laurent Oudre Théorie du signal 2019-2020 26 / 38

Notion de bruit Notion de bruit Modèle signal/bruit

Sommaire Capteurs et mesures

◮ Lorsque l’on mesure un phénomène physique (température, tension

Notion de bruit électrique, son...), il est impossible d’accéder exactement aux quantités
pertinentes que l’on cherche à quantifier.
4.1 Modèle signal/bruit ◮ On observe l’apparition de signaux parasites qui viennent se superposer au
4.2 Rapport signal sur bruit signal dit utile (i.e l’information que l’on souhaite récupérer). Ces signaux
4.3 Bruit blanc sont une gêne pour la compréhension de l’information que le signal transporte.
◮ Ces signaux parasites sont nécessairement aléatoires car non connus : on
appelle ce type de perturbation un bruit

Laurent Oudre Théorie du signal 2019-2020 27 / 38 Laurent Oudre Théorie du signal 2019-2020 28 / 38
 Notion de bruit Modèle signal/bruit Notion de bruit Rapport signal sur bruit

Modèle de signal et bruit Pourquoi parler de bruit ?

◮ Le modèle le plus courant pour exprimer ce phénomène est le suivant

Y (t) = X (t) + B(t)
Y (t) = X (t) + B(t)
Exemple historique de la parole dans la téléphonie
◮ On cherche à transmettre un signal de voix, des phrases et des mots. Il s’agit
◮ X (t) est le signal utile, celui que l’on veut mesurer du signal utile qui contient de l’information
◮ B(t) est le bruit de mesure, aléatoire, que l’on connaı̂t pas ◮ Tout le reste (grésillements, bruit ambiant...) est considéré comme du bruit,
◮ Y (t) est le signal mesuré
qui parasite la communication
◮ X (t) et B(t) sont décorrélés
◮ La qualité de la communication va dépendre des niveaux relatifs du signal
◮ Bien souvent, le but est de retrouver X (t) à partir de l’observation bruitée
utile (la voix de l’interlocuteur) et du bruit (tous les autres sons)
Y (t)

Laurent Oudre Théorie du signal 2019-2020 29 / 38 Laurent Oudre Théorie du signal 2019-2020 30 / 38

Notion de bruit Rapport signal sur bruit Notion de bruit Rapport signal sur bruit

Rapport signal sur bruit Débruitage

◮ Etant donné un signal X (t) déterministe corrompu par un bruit B(t), le
signal bruité Y (t) s’écrit :
◮ Une des tâches fondamentales en traitement du signal consiste à débruiter le
Y (t) = X (t) + B(t) signal mesuré, c’est à dire à retrouver le signal X (t) à partir du signal Y (t)
◮ C’est une tâche impossible à réaliser de façon parfaite, car par définition on
◮ On appelle le rapport signal sur bruit, la quantité : ne connaı̂t pas B(t)
◮ Néanmoins, si on connait quelques propriétés du bruit et/ou du signal, on
PX
SNR = peut tout de même améliorer la qualité du signal
PB
◮ Exemple
Plus cette quantité est élevée, moins le bruit n’a d’importance ◮ Signal en bande de base de largeur de bande B = 10 Hz
◮ Bruit corrompant tous les fréquences jusqu’à 100 Hz
◮ On exprime souvent cette quantité en décibels : ◮ On sait qu’on peut supprimer toutes les fréquences au dessus de 10 Hz, qui ne
  seront liées qu’au bruit. On débruitera donc grâce à un filtre passe-bas.
PX
SNRdB = 10 log10
PB

Laurent Oudre Théorie du signal 2019-2020 31 / 38 Laurent Oudre Théorie du signal 2019-2020 32 / 38
 Notion de bruit Bruit blanc Notion de bruit Bruit blanc

Notion de bruit blanc Notion de bruit blanc

Un bruit blanc B(t) est un signal aléatoire qui

b(t) prend des valeurs au hasard à chaque instant t
On appelle bruit blanc un signal aléatoire B(t) tel que 3
◮ Les valeurs prises à chaque instant sont
1. Le signal est stationnaire au sens large 2
toutes décorrélées les unes des autres
2. Sa moyenne statistique est nulle 1 ◮ La moyenne de ce signal est égale à 0

0
◮ La variance du signal est égale à σ2
∀t, E [B(t)] = 0
◮ Plus σ2 est élevé, plus le bruit blanc a
−1
tendance à prendre des valeurs éloignées
3. Deux valeurs B(t1 ) et B(t2 ) avec t1 6= t2 sont décorrélées −2 de 0 et plus les amplitudes sont élevées
(en valeur absolue)
∀t1 , t2 tels que t1 6= t2 cov (B(t1 ), B(t2 )) = 0 −3
◮ Très utilisé pour modéliser des
−4
0 1 2 3 4 5 6 7 8 9 10
perturbations dont on ne connaı̂t que
t (en secondes) l’ordre de grandeur (paramétré par σ2 )

Laurent Oudre Théorie du signal 2019-2020 33 / 38 Laurent Oudre Théorie du signal 2019-2020 34 / 38

Notion de bruit Bruit blanc Notion de bruit Bruit blanc

Fonction d’autocorrélation Densité spectrale de puissance

◮ Comme un bruit blanc est stationnaire au sens large et de moyenne nulle on a ◮ Par définition de la densité spectrale de puissance, on a

RB (τ ) = E [B(t)B(t + τ )] = cov (B(t), B(t + τ )) SB (f ) = T F {RB (τ )}

◮ Donc la fonction d’autocorrélation est nulle pour tout τ 6= 0, et pour τ = 0 ◮ Pour un bruit blanc on a donc
on a
SB (f ) = T F σ 2 δ(τ ) = σ 2

RB (0) = E B(t)2 = var [B(t)] = σ 2
 

◮ Pour un bruit blanc on a donc ◮ La densité spectrale de puissance (DSP) d’un bruit blanc est donc

RB (τ ) = σ 2 δ(τ ) SB (f ) = σ 2

Laurent Oudre Théorie du signal 2019-2020 35 / 38 Laurent Oudre Théorie du signal 2019-2020 36 / 38
 Notion de bruit Bruit blanc Notion de bruit Bruit blanc

Densité spectrale de puissance Interprétation

◮ Dans le cas d’un bruit blanc, comme tout est aléatoire et décorrélé, il n’y a
pas de raison qu’une fréquence ait plus d’importance que les autres. La ◮ Dans un bruit blanc, toutes les fréquences sont donc présentes avec des
densité spectrale de puissance est donc constante.
contributions égales. On l’appelle bruit blanc par analogie avec la lumière
◮ Pour un bruit blanc B(t) de variance σ 2 , on a donc : blanche qui mélange toutes les fréquences lumineuses.
◮ En théorie un bruit blanc ne peut pas exister car il a une puissance moyenne
SB (f ) = σ 2 totale infinie. On suppose la plupart du temps que l’on travaille dans une
R +∞ 2 certaine bande passante : dans ce cas la densité spectrale de puissance est la
◮ On remarque qu’on a donc PB = −∞ σ df = +∞ ! Un bruit blanc n’existe même pour toutes les fréquences de la bande passante.
donc pas dans la réalité physique, car sa puissance moyenne totale est infinie ! ◮ Dans le modèle signal/bruit, si on s’interesse à un système ayant une bande
◮ Au lieu d’utiliser σ 2 , il est courant d’introduire N0 = 2σ 2 (en Watt par Hertz) passante finie, on supposera donc que le bruit blanc additif aura une largeur
et d’écrire : de bande égale à cette bande passante
N0
SB (f ) =
2

Laurent Oudre Théorie du signal 2019-2020 37 / 38 Laurent Oudre Théorie du signal 2019-2020 38 / 38